KR102122168B1 - Selecting apparatus and selecting method for sea fog removing prediction model learning method and prediction apparatus and prediction method for sea fog removing - Google Patents
Selecting apparatus and selecting method for sea fog removing prediction model learning method and prediction apparatus and prediction method for sea fog removing Download PDFInfo
- Publication number
- KR102122168B1 KR102122168B1 KR1020200002391A KR20200002391A KR102122168B1 KR 102122168 B1 KR102122168 B1 KR 102122168B1 KR 1020200002391 A KR1020200002391 A KR 1020200002391A KR 20200002391 A KR20200002391 A KR 20200002391A KR 102122168 B1 KR102122168 B1 KR 102122168B1
- Authority
- KR
- South Korea
- Prior art keywords
- dissipation
- sea
- observation data
- selecting
- fog
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명의 일실시예에 따르면, 해무 소산 예측 모델 학습 방법 선택 장치에 있어서, 적어도 하나의 명령어를 포함하는 메모리 및 상기 메모리와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 명령어가 상기 적어도 하나의 프로세서에서 실행되면, 상기 적어도 하나의 프로세서는, 다양한 종류의 해무 관련 관측 데이터를 획득하고, 제1 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택하고, 상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성하고, 상기 생성한 입력 데이터 셋을 기초로 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시키며, 제2 기준을 이용하여 상기 N개의 학습 방법으로 각각 학습시킨 상기 해무 소산 예측 모델을 각각 평가하고, 평가 결과에 따라 적어도 2개의 서로 다른 학습 방법을 선택한다.According to an embodiment of the present invention, in the apparatus for selecting a method for learning to predict dissipation, a memory including at least one instruction and at least one processor operatively connected to the memory, wherein the at least one instruction When is executed on the at least one processor, the at least one processor acquires various types of sea-related observation data, and uses at least two types of at least two types of sea-related observation data obtained using the first criterion. Selecting the relevant observation data, generating an input data set based on the selected at least two types of sea-related observation data, and training the fog dissipation prediction model based on the generated input data set, respectively, using N learning methods, Each of the N learning methods is evaluated using the second criterion to evaluate the seamount dissipation prediction model, and at least two different learning methods are selected according to the evaluation result.
Description
아래의 실시예들은 해무 소산 예측 모델 학습 방법 선택 장치, 해무 소산 예측 모델 학습 방법 선택 방법, 해무 소산 예측 장치 및 해무 소산 예측 방법에 관한 것이다.The embodiments described below relate to an apparatus for selecting a method for learning a prediction of a seamount dissipation prediction model, a method for selecting a method for learning a seamount dissipation prediction model, a device for predicting a seamount dissipation, and a method for predicting a seamount dissipation.
안개는 수평시정이 1km 미만으로 나타나는 현상으로 정의되며, 안개의 종류는 지표의 냉각으로 형성되는 복사안개(radiation fog)와 따뜻하고 습윤한 공기가 차가운 지표 또는 수면 위로 이동할 때 포화되어 발생하는 이류안개(advection fog), 습윤한 공기가 높은 지형을 따라 상승하여 응결하는 활승안개(upslope fog), 온난전선면 부근에서 약한 비가 내릴 때 발생하는 전선안개(frontal fog), 차가운 공기가 따뜻한 수면 위를 이동할 때 발생하는 김 안개(steam fog)로 나누어진다.Fog is defined as a phenomenon in which the horizontal visibility is less than 1 km, and the types of fog are radiation fog formed by cooling of the surface and saturation fog generated by saturation when warm and moist air moves over a cold surface or water surface ( advection fog), upslope fog where moist air rises and condenses along high terrain, frontal fog caused by weak rain near the warm front, occurs when cold air moves over warm water It is divided into steam fog.
복사 안개는 낮에 햇빛이 내리쬐서 지표면 온도가 높아지면 소산하고, 이류 안개는 기온이 높은 내륙으로 들어오면 소산되는 등 안개는 그 발생원인과 소산 원인이 서로 상이하므로 안개 발생 예측 방법을 이용하여 안개의 소산을 예측하는 것은 한계가 있다.Radiation fog is dissipated when the surface temperature is high due to sunlight falling in the daytime, and advection fog is dissipated when it enters the inland where the temperature is high. There is a limit to predicting the dissipation of.
머신 러닝(machine learning)은 인공 지능의 한 분야로, 패턴인식과 컴퓨터 학습 이론의 연구로부터 진화한 분야이며, 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야를 말한다. 머신 러닝의 핵심은 표현(representation)과 일반화(generalization)에 있다. 표현이란 데이터의 평가이며, 일반화란 아직 알 수 없는 데이터에 대한 처리이다. 이는 전산 학습 이론 분야이기도 하다.Machine learning is a field of artificial intelligence that evolved from the study of pattern recognition and computer learning theory, and refers to the field of developing algorithms and technologies that enable computers to learn. The key to machine learning is representation and generalization. Expression is the evaluation of data, and generalization is the processing of unknown data. It is also a field of computational learning theory.
딥 러닝(deep learning)은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계학습(machine learning) 알고리즘의 집합으로 정의되며, 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야라고 이야기할 수 있다.Deep learning is defined as a set of machine learning algorithms that attempt a high level of abstraction through a combination of several nonlinear translator methods, and is a type of machine learning that teaches a person's mind to a computer in a large framework. It can be said to be a field.
본 발명의 실시예에 따르면, N개의 학습 방법으로 각각 학습시킨 상기 해무 소산 예측 모델을 각각 평가하고, 평가 결과에 따라 적어도 2개의 서로 다른 학습 방법을 선택할 수 있다.According to an embodiment of the present invention, each of the N dissipation prediction models trained by N learning methods may be evaluated, and at least two different learning methods may be selected according to the evaluation result.
또한, 본 발명의 다른 실시예에 따르면, 적어도 2개의 서로 다른 학습 방법으로 학습된 해무 소산 예측 모델 각각이 생성한 해무 소산 예측 결과를 기초로 해무 소산을 예측할 수 있다.In addition, according to another embodiment of the present invention, it is possible to predict the seaborne dissipation based on the results of the seaweed dissipation prediction generated by each of the seaweed dissipation prediction models learned by at least two different learning methods.
또한, 본 발명의 또 다른 실시예에 따르면, 미리 설정된 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택할 수 있다.In addition, according to another embodiment of the present invention, at least two types of sea-related observation data may be selected from the various types of sea-related observation data obtained by using the preset criteria.
또한, 본 발명의 또 다른 실시예에 따르면, 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시킬 수 있다.Further, according to another embodiment of the present invention, it is possible to train each of the N dissipation prediction models with N learning methods.
본 발명의 일실시예에 따르면, 해무 소산 예측 모델 학습 방법 선택 장치에 있어서, 적어도 하나의 명령어를 포함하는 메모리 및 상기 메모리와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 명령어가 상기 적어도 하나의 프로세서에서 실행되면, 상기 적어도 하나의 프로세서는, 다양한 종류의 해무 관련 관측 데이터를 획득하고, 제1 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택하고, 상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성하고, 상기 생성한 입력 데이터 셋을 기초로 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시키며, 제2 기준을 이용하여 상기 N개의 학습 방법으로 각각 학습시킨 상기 해무 소산 예측 모델을 각각 평가하고, 평가 결과에 따라 적어도 2개의 서로 다른 학습 방법을 선택한다.According to an embodiment of the present invention, in the apparatus for selecting a method for learning to predict dissipation, a memory including at least one instruction and at least one processor operatively connected to the memory, wherein the at least one instruction When is executed on the at least one processor, the at least one processor acquires various types of sea-related observation data, and uses at least two types of at least two types of sea-related observation data obtained using the first criterion. Selecting the relevant observation data, generating an input data set based on the selected at least two types of sea-related observation data, and training the fog dissipation prediction model based on the generated input data set, respectively, using N learning methods, Each of the N learning methods is evaluated using the second criterion to evaluate the seamount dissipation prediction model, and at least two different learning methods are selected according to the evaluation result.
또한, 상기 제1 기준은, 특성 중요도(Feature Importance)일 수 있다.Also, the first criterion may be feature importance.
또한, 상기 제2 기준은, 수신자 조작 특성 커브(Receiver Operating Characteristic Curve) 및 AUC(Area Under the ROC Curve)일 수 있다. Further, the second criterion may be a receiver operating characteristic curve (AUC) and an area under the ROC curve (AUC).
본 발명의 다른 실시예에 따르면, 다양한 종류의 해무 관련 관측 데이터를 획득하는 단계, 제1 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택하는 단계, 상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성하는 단계, 상기 생성한 입력 데이터 셋을 기초로 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시키는 단계 및 제2 기준을 이용하여 상기 N개의 학습 방법으로 각각 학습시킨 상기 해무 소산 예측 모델을 각각 평가하고, 평가 결과에 따라 서로 다른 학습 방법으로 학습시킨 적어도 2개의 상기 해무 소산 예측 모델을 선택하는 단계를 포함한다.According to another embodiment of the present invention, obtaining various types of marine related observation data, and selecting at least two types of marine related observation data among the obtained various types of marine related observation data using the first criterion , Generating an input data set based on the selected at least two types of sea-related observation data, training each of the sea fog dissipation prediction models with N learning methods based on the generated input data set, and a second criterion. And evaluating each of the fog dissipation prediction models trained using the N learning methods, and selecting at least two fog dissipation prediction models trained using different learning methods according to the evaluation result.
또한, 상기 제1 기준은, 특성 중요도(Feature Importance)일 수 있다.Also, the first criterion may be feature importance.
또한, 상기 제2 기준은, 수신자 조작 특성 커브(Receiver Operating Characteristic Curve) 및 AUC(Area Under the ROC Curve)일 수 있다.Further, the second criterion may be a receiver operating characteristic curve (AUC) and an area under the ROC curve (AUC).
본 발명의 또 다른 실시예에 따르면, 해무 소산 예측 장치에 있어서, 적어도 하나의 명령어를 포함하는 메모리 및 상기 메모리와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 명령어가 상기 적어도 하나의 프로세서에서 실행되면, 상기 적어도 하나의 프로세서는, 다양한 종류의 해무 관련 관측 데이터를 획득하고, 미리 설정된 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택하고, 상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성하고, 상기 생성한 입력 데이터 셋을 기초로 미리 설정된 적어도 2개의 서로 다른 학습 방법으로 학습된 해무 소산 예측 모델로부터 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 획득하며, 상기 획득한 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 기초로 제2 해무 소산 예측 결과를 생성한다.According to another embodiment of the present invention, in the apparatus for predicting dissipation of dissipation, a memory including at least one instruction and at least one processor operatively connected to the memory, wherein the at least one instruction is the at least When executed in one processor, the at least one processor acquires various types of sea-related observation data, and at least two types of sea-related observation data among the obtained various types of sea-related observation data using preset criteria. Select, and generate an input data set based on the selected at least two types of sea-related observation data, and based on the generated input data set from the at least two different learning methods learned from the seaweed dissipation prediction model The first fogging dissipation prediction result generated by each of the fog dissipation prediction models is acquired, and a second fog dissipation prediction result is generated based on the first fog dissipation prediction result generated by each of the obtained fog dissipation prediction models.
또한, 상기 미리 설정된 기준은, 특성 중요도(Feature Importance)일 수 있다.In addition, the preset criterion may be feature importance.
또한, 상기 미리 설정된 적어도 2개의 서로 다른 학습 방법은, 서포트 벡터 머신(support vector machine), 랜덤 포레스트(Random forest), 그래디언트 부스팅(Gradient boosting) 및 합성곱 신경망(Convolutional neural network) 중 적어도 2개일 수 있다.Further, the preset at least two different learning methods may be at least two of a support vector machine, a random forest, gradient boosting, and a convolutional neural network. have.
본 발명의 또 다른 실시예에 따르면, 다양한 종류의 해무 관련 관측 데이터를 획득하는 단계, 미리 설정된 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택하는 단계, 상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성하는 단계, 상기 생성한 입력 데이터 셋을 기초로 미리 설정된 적어도 2개의 서로 다른 학습 방법으로 학습된 해무 소산 예측 모델로부터 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 획득하는 단계 및 상기 획득한 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 기초로 제2 해무 소산 예측 결과를 생성하는 단계를 포함한다.According to another embodiment of the present invention, obtaining at least two types of sea-related observation data among the obtained various types of sea-related observation data using preset criteria, obtaining various types of sea-related observation data Step, generating an input data set based on the selected at least two types of sea-related observation data, based on the generated input data set from the at least two different learning methods learned from the sea fog dissipation prediction model Acquiring a result of predicting the first fog dissipation generated by each of the fog dissipation prediction models and generating a second fog dissipation prediction result based on the obtained first fog dissipation prediction results generated by each of the obtained fog dissipation prediction models It includes.
또한, 상기 미리 설정된 기준은, 특성 중요도(Feature Importance)일 수 있다.In addition, the preset criterion may be feature importance.
또한, 상기 미리 설정된 적어도 2개의 서로 다른 학습 방법은, 서포트 벡터 머신(support vector machine), 랜덤 포레스트(Random forest), 그래디언트 부스팅(Gradient boosting) 및 합성곱 신경망(Convolutional neural network) 중 적어도 2개일 수 있다.Further, the preset at least two different learning methods may be at least two of a support vector machine, a random forest, a gradient boosting, and a convolutional neural network. have.
N개의 학습 방법으로 각각 학습시킨 상기 해무 소산 예측 모델을 각각 평가하고, 평가 결과에 따라 적어도 2개의 서로 다른 학습 방법을 선택할 수 있는 효과가 있다.There is an effect of evaluating each of the haze dissipation prediction models trained by N learning methods and selecting at least two different learning methods according to the evaluation results.
또한, 적어도 2개의 서로 다른 학습 방법으로 학습된 해무 소산 예측 모델 각각이 생성한 해무 소산 예측 결과를 기초로 해무 소산을 예측할 수 있는 효과가 있다.In addition, there is an effect of predicting the dissipation of seas based on the results of the seas dissipation prediction generated by each of the seas dissipation prediction models learned by at least two different learning methods.
또한, 미리 설정된 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택할 수 있는 효과가 있다.In addition, there is an effect of selecting at least two types of sea-related observation data among the various types of sea-related observation data obtained using the preset criteria.
또한, 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시킬 수 있는 효과가 있다.In addition, there is an effect that can be learned by each of the N learning methods to predict the dissipation.
도 1은 일실시예에 따른 해무 소산 예측 모델 학습 방법 선택 장치의 구성을 나타내는 도면이다.
도 2는 일실시예에 따른 해무 소산 예측 모델 학습 방법 선택 방법을 나타내는 플로우 차트이다.
도 3은 일실시예에 따른 해무 소산 예측 장치의 구성을 나타내는 도면이다.
도 4는 일실시예에 따른 해무 소산 예측 방법을 나타내는 플로우 차트이다.
도 5는 일실시예에 따른 해무 소산 예측 모델 학습 방법 선택 및 선택한 학습 방법으로 학습된 해무 소산 예측 모델 이용하여 해무 소산을 예측하는 모습을 나타내는 모식도이다.
도 6은 본 발명의 일실시예를 구현하기 위한 예시적인 컴퓨터 시스템의 블록도이다.1 is a diagram illustrating a configuration of a device for selecting a method for predicting a sea fog dissipation model according to an embodiment.
2 is a flow chart illustrating a method for selecting a method for predicting a fog dissipation prediction model according to an embodiment.
3 is a view showing the configuration of a sea fog dissipation prediction apparatus according to an embodiment.
4 is a flowchart illustrating a method for predicting dissipation of seaweed according to an embodiment.
FIG. 5 is a schematic diagram showing a state of predicting a sea fog dissipation using a sea fog dissipation prediction model trained by selecting a training method of a sea fog dissipation prediction model and selecting a learning method according to an embodiment.
6 is a block diagram of an exemplary computer system for implementing one embodiment of the present invention.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.Specific structural or functional descriptions of the embodiments according to the concept of the present invention disclosed in this specification are exemplified only for the purpose of explaining the embodiments according to the concept of the present invention, and the embodiments according to the concept of the present invention It can be implemented in various forms and is not limited to the embodiments described herein.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.Embodiments according to the concept of the present invention can be applied to various changes and can have various forms, so the embodiments will be illustrated in the drawings and described in detail herein. However, this is not intended to limit the embodiments according to the concept of the present invention to specific disclosure forms, and includes all changes, equivalents, or substitutes included in the spirit and scope of the present invention.
제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1구성요소는 제2구성요소로 명명될 수 있고, 유사하게 제2구성요소는 제1구성요소로도 명명될 수 있다.Terms such as first or second may be used to describe various components, but the components should not be limited by the terms. The above terms are only for the purpose of distinguishing one component from other components, for example, without departing from the scope of rights according to the concept of the present invention, the first component may be referred to as the second component, and similarly The second component may also be referred to as the first component.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.When an element is said to be "connected" or "connected" to another component, it is understood that other components may be directly connected to or connected to the other component, but there may be other components in between. It should be. On the other hand, when a component is said to be "directly connected" or "directly connected" to another component, it should be understood that no other component exists in the middle. Other expressions that describe the relationship between the components, such as "between" and "immediately between" or "neighboring" and "directly neighboring to" should be interpreted as well.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.The terms used in this specification are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise.
본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.In this specification, the terms “include” or “have” are intended to indicate that a described feature, number, step, action, component, part, or combination thereof exists, one or more other features or numbers. It should be understood that it does not preclude the presence or addition possibilities of, steps, actions, components, parts or combinations thereof.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by a person skilled in the art to which the present invention pertains.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Terms such as those defined in a commonly used dictionary should be interpreted as having meanings consistent with meanings in the context of related technologies, and should not be interpreted as ideal or excessively formal meanings unless explicitly defined herein. Does not.
이하의 설명에서 동일한 식별 기호는 동일한 구성을 의미하며, 불필요한 중복적인 설명 및 공지 기술에 대한 설명은 생략하기로 한다.In the following description, the same identification symbol means the same configuration, and redundant description and unnecessary description will be omitted.
본 발명의 실시 예에서 '통신', '통신망' 및 '네트워크'는 동일한 의미로 사용될 수 있다. 상기 세 용어들은, 파일을 사용자 단말, 다른 사용자들의 단말 및 다운로드 서버 사이에서 송수신할 수 있는 유무선의 근거리 및 광역 데이터 송수신망을 의미한다.In the embodiment of the present invention,'communication','communication network' and'network' may be used in the same sense. The three terms refer to a wired/wireless local and wide area data transmission/reception network capable of transmitting/receiving files between a user terminal, a terminal of other users, and a download server.
이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예를 설명함으로써, 본 발명을 상세히 설명한다.Hereinafter, the present invention will be described in detail by explaining preferred embodiments of the present invention with reference to the accompanying drawings.
도 1은 일실시예에 따른 해무 소산 예측 모델 학습 방법 선택 장치의 구성을 나타내는 도면이다.1 is a diagram illustrating a configuration of a device for selecting a method for predicting a sea fog dissipation model according to an embodiment.
도 1을 참조하면, 해무 소산 예측 모델 학습 방법 선택 장치(100)는 입력 데이터 셋 생성 모듈(110) 및 학습 방법 선택 모듈(120)을 포함한다.Referring to FIG. 1, the
입력 데이터 셋 생성 모듈(110)은 다양한 종류의 해무 관련 관측 데이터를 획득할 수 있다. 이때,상기 다양한 종류의 해무 관련 관측 데이터는 기온, 기압, 풍속, 풍향, 상대습도, 해기차, 미세먼지농도, 강수량, 수온, 조위, 시정거리, 일사량, 누적강수량, 이슬점 온도 또는 (기온 - 이슬점 온도)에 대한 자료일 수 있으나 상기 다양한 종류의 해무 관련 관측 데이터가 이에 한정되는 것은 아니다. 또한, 상기 다양한 종류의 해무 관련 관측 데이터는 분 단위로 관측한 데이터일 수 있으나, 상기 다양한 종류의 해무 관련 관측 데이터의 관측 시간이 이에 한정되는 것은 아니다.The input data
입력 데이터 셋 생성 모듈(110)은 다양한 종류의 해무 관련 관측 데이터를 획득하기 위하여 외부 연결 포트(예컨대, USB 포트 또는 통신 포트)를 포함할 수 있다.The input data
입력 데이터 셋 생성 모듈(110)은 제1 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택할 수 있다. 이때, 상기 제1 기준은 특성 중요도(Feature Importance)일 수 있으나, 상기 미리 설정된 기준이 이에 한정되는 것은 아니다.The input data
일실시예에 따라, 입력 데이터 셋 생성 모듈(110)는 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 특성 중요도(Feature Importance)가 가장 높은 상위 2종류의 해무 관련 관측 데이터를 선택할 수 있다. 이때, 상기 선택한 적어도 2종류의 해무 관련 관측 데이터는 수온, 기압, 기온, 해기차, 이슬점 온도, 풍향, 상대습도, 시정거리, 풍속 및 (기온 - 이슬점 온도) 중 적어도 어느 2개일 수 있다.According to an embodiment, the input data
입력 데이터 셋 생성 모듈(110)은 선택한 적어도 2종류의 해무 관련 측 데이터를 기초로 입력 데이터 셋을 생성할 수 있다.The input data
입력 데이터 셋 생성 모듈(110)은 미리 설정된 시간(예컨대, 10분) 동안의 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각에 대한 평균을 계산할 수 있다.The input data
입력 데이터 셋 생성 모듈(110)은 상기 계산한 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각에 대한 평균을 미리 설정된 시간(예컨대, 10분)에 대한 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각의 대표 값으로 결정할 수 있다. 이때, 결정한 상기 대표 값에는 시간(예컨대, 상기 미리 설정된 시간의 시작과 끝의 시각) 정보가 포함될 수 있다.The input data
입력 데이터 셋 생성 모듈(110)은 상기 결정한 적어도 2종류의 해무 관련 관측 데이터 각각의 대표 값 중 동일 시간의 상기 대표 값을 결합하여 입력 데이터 셋을 생성할 수 있다.The input data
입력 데이터 셋 생성 모듈(110)은 획득한 다양한 종류의 해무 관련 관측 데이터 중 시정거리를 이용하여 해무 여부를 결정할 수 있다. The input data
입력 데이터 셋 생성 모듈(110)은 시정거리가 1000m 미안인 경우, 해무라고 결정하고, 시정거리가 1000m 이상인 경우 비해무라고 결정할 수 있다. The input data
입력 데이터 셋 생성 모듈(110)은 해무라고 결정한 경우 동일 시간 대의 상기 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 “1”로, 비해무라고 결정한 경우 “0”으로 레이블링(Labeling) 할 수 있다.The input data
입력 데이터 셋 생성 모듈(110)은 하기 [수학식 1]을 이용하여 동일 시간 대의 상기 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋에 대하여 최종적인 레이블링(Labeling)을 수행할 수 있다.The input data
일실시예에 따라, 상기 [수학식 1]에서 k=3 이므로, 입력 데이터 셋 생성 모듈(110)이 시정거리를 이용하여 해무라고 결정한 시간으로부터 30(k=3 이므로)분 동안은 계속 해무상태가 유지된다고 간주한다. 이렇게 일정 시간 동안 해무 상태가 유지된다고 간주하는 것은 해무 관련 관측 데이터의 연속성 유지 및 학습 성능을 높이기 위함이다. 또한, 상기 k 값은 가변이다.According to one embodiment, since k=3 in [Equation 1], the input data
일실시예에 따라, 입력 데이터 셋 생성 모듈(110)은 해무라고 결정한 시간으로부터 30분 내의 시간에 해당하는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋에 대하여 최종적으로 “1”로 레이블링(Labeling) 할 수 있다 .According to one embodiment, the input data
입력 데이터 셋 생성 모듈(110)은 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋과 상기 입력 데이터 셋에 포함된 시간 정보보다 이전 시간(예컨대, 10분 전 시간)에 해당하는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 결합하여 새로운 입력 데이터 셋을 생성할 수 있다.The input data
일실시예에 따라, 입력 데이터 셋 생성 모듈(110)은 학습 성능을 높이고, 측후방으로 이동되는 안개 또는 밀도가 낮은 안개를 고려하기 위하여 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋과 상기 입력 데이터 셋에 포함된 시간 정보보다 이전 시간(예컨대, 10분 전 시간)에 해당하는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 미리 설정된 개수(예컨대, 6개)만큼 시간적으로 연속되게 결합하여 새로운 입력 데이터 셋을 생성할 수 있다.According to one embodiment, the input data
예컨대, 입력 데이터 셋 생성 모듈(110)은 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋과 상기 입력 데이터 셋에 포함된 시간으로부터 과거 60분에 해당하는 6개의 시간적으로 연속된 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 결합하여 새로운 입력 데이터 셋을 생성할 수 있다.For example, the input data
학습 방법 선택 모듈(120)은 상기 생성한 입력 데이터 셋을 기초로 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시킬 수 있다. 이때, 상기 N개의 학습 방법은 K-최근접 이웃(K-Nearest Neighbors), 결정 트리(Decision Tree), 엑스트라 트리(Extra Tree), 서포트 벡터 머신(Support Vector Machin), 에이다부스트(AdaBoost), 랜덤 포레스트(Random Forest), 그래디언트 부스팅(Gradient boosting), 딥 뉴럴 네트워크(Deep Neural Network), 합성곱 신경망(Convolutional Neural Network), 순환 신경망(Recurrent Neural Network) 중 하나일 수 있으나, 상기 N개의 학습 방법이 이에 한정되는 것은 아니다.The learning
학습 방법 선택 모듈(120)은 지도학습을 이용하여 해무 소산 예측 모델을 학습시킬 수 있으나, 상기 해무 소산 예측 모델을 학습시키는 방법이 이에 한정되는 것은 아니다.The learning
학습 방법 선택 모듈(120)은 한 개의 해무 소산 예측 모델을 이용하여 상기 N개의 학습 방법을 각각 학습시킨 후, 상기 학습시킨 해무 소산 예측 모델을 각각 평가할 수 있다. 이때, 학습 방법 선택 모듈(120)은 입력 데이터 셋 중 일부를 이용하여 상기 해무 소산 예측 모델을 학습시킬 수 있다.The learning
학습 방법 선택 모듈(120)은 동일한 N개의 해무 소산 예측 모델을 이용하여 상기 N개의 학습 방법을 각각 학습시킨 후, 상기 학습시킨 동일한 N개의 해무 소산 예측 모델을 평가할 수 있다. 이때, 학습 방법 선택 모듈(120)은 입력 데이터 셋 중 일부를 이용하여 상기 해무 소산 예측 모델을 학습시킬 수 있다.The learning
학습 방법 선택 모듈(120)은 상기 해무 소산 예측 모델의 학습에 사용되지 않은 입력 데이터 셋을 이용하여 상기 학습시킨 해무 소산 예측 모델을 평가하기 위한 해무 소산 예측 결과를 생성할 수 있다. 이때, 해무 소산 예측 결과는 관심(0-25), 주의(26-50), 경계(51-75) 및 위험(76-100)일 수 있으나, 상기 해무 소산 예측 결과가 이에 한정되는 것은 아니다.The learning
학습 방법 선택 모듈(120)은 상기 생성한 해무 소산 예측 결과를 기초로 상기 해무 소산 예측 모델을 평가할 수 있다.The learning
학습 방법 선택 모듈(120)은 상기 학습시킨 해무 소산 예측 모델을 평가하기 위한 제2 기준으로 ROC Curve(Receiver Operating Characteristic Curve, 이하 “ROC”라 한다.) 및 AUC(Area Under the ROC Curve, 이하 “AUC”라 한다.) 를 이용할 수 있다.The learning
학습 방법 선택 모듈(120)은 하기 [표 1] 및 하기 [수학식 2]를 이용하여 상기 학습시킨 해무 소산 예측 모델이 생성한 해무 소산 예측 결과를 파라미터화 할 수 있다.The learning
일실시예에 따라, 학습 방법 선택 모듈(120)은 상기 파라미터에서 X축을 특이도로 설정하고, Y축을 민감도로 설정하는 ROC를 생성한 후, 그 면적을 계산하는 AUC를 계산하고, 상기 계산한 AUC를 이용하여 상기 학습시킨 해무 소산 예측 모델이 생성한 해무 소산 예측 결과를 정량적으로 평가할 수 있다.According to one embodiment, the learning
학습 방법 선택 모듈(120)은 AUC(Area Under the ROC Curve)가 가장 높은 해무 소산 예측 결과를 생성한 상기 해무 소산 예측 모델을 학습시킨 적어도 2개의 서로 다른 학습 방법을 선택할 수 있다. 이때, 상기 적어도 2개의 서로 다른 학습 방법은 서포트 벡터 머신(support vector machine), 랜덤 포레스트(Random forest), 그래디언트 부스팅(Gradient boosting) 및 합성곱 신경망(Convolutional neural network) 중 적어도 2개일 수 있으나, 상기 적어도 2개의 서로 다른 학습 방법이 이에 한정되는 것은 아니다.The learning
학습 방법 선택 모듈(120)은 해무 소산 예측 모델을 상기 선택한 적어도 2개의 서로 다른 학습 방법으로 각각 학습시킬 수 있다.The learning
도 2는 일실시예에 따른 해무 소산 예측 모델 학습 방법 선택 방법을 나타내는 플로우 차트이다.2 is a flowchart illustrating a method for selecting a method for predicting a sea fog dissipation model according to an embodiment.
도 2를 참조하면, 일실시예에 따라 해무 소산 예측 모델 학습 방법 선택 장치가 다양한 종류의 해무 관련 관측 데이터를 획득한다(200).Referring to FIG. 2, according to an embodiment, the apparatus for selecting a method for predicting a seamount dissipation prediction model acquires various types of seashore related observation data (200 ).
이때, 상기 다양한 종류의 해무 관련 관측 데이터는 기온, 기압, 풍속, 풍향, 상대습도, 해기차, 미세먼지농도, 강수량, 수온, 조위, 시정거리, 일사량, 누적강수량, 이슬점 온도 또는 (기온 - 이슬점 온도)에 대한 자료일 수 있으나 상기 다양한 종류의 해무 관련 관측 데이터가 이에 한정되는 것은 아니다.At this time, the various types of sea-related observation data include air temperature, air pressure, wind speed, wind direction, relative humidity, sea train, fine dust concentration, precipitation, water temperature, tide level, visibility distance, solar radiation, cumulative precipitation, dew point temperature or (at temperature-dew point) Temperature), but the various types of sea-related observation data are not limited thereto.
또한, 상기 다양한 종류의 해무 관련 관측 데이터는 분 단위로 관측한 데이터일 수 있으나, 상기 다양한 종류의 해무 관련 관측 데이터의 관측 시간이 이에 한정되는 것은 아니다.In addition, the various types of sea-related observation data may be data observed in minutes, but the observation time of the various types of sea-related observation data is not limited thereto.
해무 소산 예측 모델 학습 방법 선택 장치가 미리 설정된 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택한다(210).The apparatus for selecting a method for predicting a sea fog dissipation model selects at least two types of sea-related observation data from among the various types of sea-related observation data obtained by using a preset criterion (210).
이때, 상기 미리 설정된 기준은 특성 중요도(Feature Importance)일 수 있으나, 상기 미리 설정된 기준이 이에 한정되는 것은 아니다.In this case, the preset criterion may be feature importance, but the preset criterion is not limited thereto.
또한, 상기 해무 소산 예측 모델 학습 방법 선택 장치는 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 특성 중요도(Feature Importance)가 가장 높은 상위 2종류의 해무 관련 관측 데이터를 선택할 수 있다.In addition, the apparatus for selecting a method for learning the prediction of dissipation of sea fog can select the top two kinds of ship-related observation data having the highest feature importance among the obtained various kinds of ship-related observation data.
또한, 상기 적어도 2종류의 해무 관련 관측 데이터는 데이터는 수온, 기압, 기온, 해기차, 이슬점 온도, 풍향, 상대습도, 시정거리, 풍속 및 (기온 - 이슬점 온도) 중 적어도 어느 2개일 수 있다.In addition, the at least two types of sea-related observation data may include at least any one of water temperature, air pressure, air temperature, sea train, dew point temperature, wind direction, relative humidity, visibility distance, wind speed, and (air temperature-dew point temperature).
해무 소산 예측 모델 학습 방법 선택 장치가 상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성한다(220).The apparatus for selecting a method for predicting a sea fog dissipation model generates an input data set based on the at least two types of sea-related observation data selected in
이때, 상기 해무 소산 예측 모델 학습 방법 선택 장치는 설정된 시간(예컨대, 10분) 동안의 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각에 대한 평균을 계산하고, 상기 계산한 평균을 미리 설정된 시간(예컨대, 10분)에 대한 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각의 대표 값으로 결정할 수 있다.At this time, the apparatus for selecting a method for predicting a sea fog dissipation prediction model calculates an average for each of the selected at least two types of sea-related observation data selected for a set time (eg, 10 minutes), and sets the calculated average to a preset time (eg , 10 minutes) may be determined as a representative value of each of the selected at least two types of sea-related observation data.
또한, 상기 해무 소산 예측 모델 학습 방법 선택 장치는 상기 결정한 적어도 2종류의 해무 관련 관측 데이터 각각의 대표 값 중 동일 시간의 상기 대표 값을 결합하여 입력 데이터 셋을 생성할 수 있다.In addition, the apparatus for selecting a method for predicting a sea fog dissipation model may generate an input data set by combining the representative values of the same time among the representative values of each of the determined at least two types of sea-related observation data.
또한, 상기 해무 소산 예측 모델 학습 방법 선택 장치는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋과 상기 입력 데이터 셋에 포함된 시간 정보보다 이전 시간(예컨대, 10분 전 시간)에 해당하는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 미리 설정된 개수(예컨대, 6개)만큼 시간적으로 연속되게 결합하여 새로운 입력 데이터 셋을 생성할 수 있다.In addition, the apparatus for selecting a method for predicting the sea fog dissipation prediction model is configured to generate an input data set generated by combining representative values of sea fog-related observation data and time information included in the input data set at a previous time (eg, 10 minutes ago). A new input data set may be generated by continuously combining input data sets generated by combining representative values of the corresponding sea-related observation data with a preset number (for example, six) in time.
해무 소산 예측 모델 학습 방법 선택 장치가 상기 생성한 입력 데이터 셋을 기초로 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시킨다(230).The apparatus for selecting a training method for predicting the dissipation of sea fog trains the model for predicting the dissipation of haze based on the generated set of input data, respectively, using N learning methods (230 ).
이때, 상기 N개의 학습 방법은 K-최근접 이웃(K-Nearest Neighbors), 결정 트리(Decision Tree), 엑스트라 트리(Extra Tree), 서포트 벡터 머신(Support Vector Machin), 에이다부스트(AdaBoost), 랜덤 포레스트(Random Forest), 그래디언트 부스팅(Gradient boosting), 딥 뉴럴 네트워크(Deep Neural Network), 합성곱 신경망(Convolutional Neural Network), 순환 신경망(Recurrent Neural Network) 중 하나일 수 있으나, 상기 N개의 학습 방법이 이에 한정되는 것은 아니다.At this time, the N learning methods are K-Nearest Neighbors, Decision Tree, Extra Tree, Support Vector Machine, AdaBoost, Random Forest (Random Forest), gradient boosting (Gradient boosting), deep neural network (Deep Neural Network), convolutional neural network (Convolutional Neural Network), may be one of the recurrent neural network (Recurrent Neural Network), but the N learning methods It is not limited to this.
해무 소산 예측 모델 학습 방법 선택 장치가 N개의 학습 방법으로 각각 학습시킨 상기 해무 소산 예측 모델을 각각 평가한다(240). The apparatus for selecting a method for predicting a fog dissipation prediction model evaluates each of the models for predicting a fog dissipation that are each trained by N learning methods (240 ).
이때, 상기 해무 소산 예측 모델 학습 방법 선택 장치는 상기 학습시킨 해무 소산 예측 모델을 평가하기 위하여 수신자 조작 커브(Receiver Operating Characteristic Curve, ROC 이하 “ROC”라 한다.) 및 AUC(Area Under the ROC Curve, 이하 “AUC”라 한다.)를 이용할 수 있다.At this time, the apparatus for selecting a training method for predicting the dissipation of dissipation prediction model is called a receiver operating characteristic curve (“ROC” for ROC) and area under the ROC curve for evaluating the trained dissipation prediction model. Hereinafter, it is referred to as “AUC.”).
또한, 상기 해무 소산 예측 모델 학습 방법 선택 장치는 학습시킨 해무 소산 예측 모델이 생성한 해무 소산 예측 결과를 파라미터화 할 수 있다.In addition, the apparatus for selecting a method for learning a prediction of the dissipation of sea fog may parameterize the results of the prediction of a dissipation of fog generated by the trained model for predicting dissipation.
또한, 상기 해무 소산 예측 모델 학습 방법 선택 장치는 상기 파라미터를 기초로 ROC를 생성한 후, 그 면적을 계산하는 AUC를 계산하고, 상기 계산한 AUC를 이용하여 상기 학습시킨 해무 소산 예측 모델이 생성한 해무 소산 예측 결과 값을 정량적으로 평가할 수 있다.In addition, the apparatus for selecting a training method for calculating the fog dissipation prediction model generates an ROC based on the parameters, calculates an AUC for calculating the area, and generates the training fog dissipation prediction model using the calculated AUC. It is possible to quantitatively evaluate the value of the result of predicting the dissipation of sea salt.
해무 소산 예측 모델 학습 방법 선택 장치가 평가 결과에 따라 적어도 2개의 서로 다른 학습 방법을 선택한다(250).The apparatus for selecting a learning method for predicting a sea salt dissipation selects at least two different learning methods according to an evaluation result (250 ).
이때, 상기 해무 소산 예측 모델 학습 방법 선택 장치는 AUC(Area Under the ROC Curve)가 가장 높은 해무 소산 예측 결과 값을 생성한 상기 해무 소산 예측 모델을 학습시킨 적어도 2개의 서로 다른 학습 방법을 선택할 수 있다.At this time, the apparatus for selecting a training method for predicting the dissipation of dissipation may select at least two different learning methods in which the training for the dissipation for dissipation prediction has generated the value of the result of the prediction of the highest dissipation of area under the ROC Curve (AUC). .
도 1은 일실시예에 따른 해무 소산 예측 모델 학습 방법 선택 장치의 구성을 나타내는 도면이고, 도 3은 일실시예에 따른 해무 소산 예측 장치의 구성을 나타내는 도면이다.1 is a diagram illustrating a configuration of a device for selecting a method for predicting a seamount dissipation prediction model according to an embodiment, and FIG. 3 is a view illustrating a configuration of a device for predicting seamount dissipation according to an embodiment.
도 3을 참조하면, 해무 소산 예측 장치(300)는 입력 모듈(310) 및 해무 소산 결과 예측 모듈(320)을 포함한다.Referring to FIG. 3, the apparatus for predicting
입력 모듈(310)은 다양한 종류의 해무 관련 관측 데이터를 획득할 수 있다. 이때, 상기 다양한 종류의 해무 관련 관측 데이터는 기온, 기압, 풍속, 풍향, 상대습도, 해기차, 미세먼지농도, 강수량, 수온, 조위, 시정거리, 일사량, 누적강수량, 이슬점 온도 또는 (기온 - 이슬점 온도)에 대한 자료일 수 있으나 상기 다양한 종류의 해무 관련 관측 데이터가 이에 한정되는 것은 아니다. 또한, 상기 다양한 종류의 해무 관련 관측 데이터는 분 단위로 관측한 데이터일 수 있으나, 상기 다양한 종류의 해무 관련 관측 데이터의 관측 시간이 이에 한정되는 것은 아니다.The
입력 모듈(310)은 다양한 종류의 해무 관련 관측 데이터를 획득하기 위하여 외부 연결 포트(예컨대, USB 포트 또는 통신 포트)를 포함할 수 있다.The
입력 모듈(310)은 미리 설정된 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택할 수 있다. 이때, 상기 미리 설정된 기준은 특성 중요도(Feature Importance)일 수 있으나, 상기 미리 설정된 기준이 이에 한정되는 것은 아니다.The
일실시예에 따라, 입력 모듈(310)은 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 특성 중요도(Feature Importance)가 가장 높은 상위 2종류의 해무 관련 관측 데이터를 선택할 수 있다. 이때, 상기 선택한 적어도 2종류의 해무 관련 관측 데이터는 수온, 기압, 기온, 해기차, 이슬점 온도, 풍향, 상대습도, 시정거리, 풍속 및 (기온 - 이슬점 온도) 중 적어도 어느 2개일 수 있다.According to an embodiment, the
입력 모듈(310)은 선택한 적어도 2종류의 해무 관련 측 데이터를 기초로 입력 데이터 셋을 생성할 수 있다.The
입력 모듈(310)은 미리 설정된 시간(예컨대, 10분) 동안의 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각에 대한 평균을 계산할 수 있다.The
입력 모듈(310)은 상기 계산한 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각에 대한 평균을 미리 설정된 시간(예컨대, 10분)에 대한 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각의 대표 값으로 결정할 수 있다. 이때, 결정한 상기 대표 값에는 시간(예컨대, 상기 미리 설정된 시간의 시작과 끝의 시각) 정보가 포함될 수 있다.The
입력 모듈(310)은 상기 결정한 적어도 2종류의 해무 관련 관측 데이터 각각의 대표 값 중 동일 시간의 상기 대표 값을 결합하여 입력 데이터 셋을 생성할 수 있다.The
입력 모듈(310)은 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋과 상기 입력 데이터 셋에 포함된 시간 정보보다 이전 시간(예컨대, 10분 전 시간)에 해당하는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 결합하여 새로운 입력 데이터 셋을 생성할 수 있다.The
일실시예에 따라, 입력 모듈(310)은 예측 성능을 높이고, 측후방으로 이동되는 안개 또는 밀도가 낮은 안개를 고려하기 위하여 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋과 상기 입력 데이터 셋에 포함된 시간 정보보다 이전 시간(예컨대, 10분 전 시간)에 해당하는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 미리 설정된 개수(예컨대, 6개)만큼 시간적으로 연속되게 결합하여 새로운 입력 데이터 셋을 생성할 수 있다.According to one embodiment, the
예컨대, 입력 모듈(310)은 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋과 상기 입력 데이터 셋에 포함된 시간으로부터 과거 60분에 해당하는 6개의 시간적으로 연속된 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 결합하여 새로운 입력 데이터 셋을 생성할 수 있다. For example, the
다시 도 1 및 도 3을 참조하면, 해무 소산 결과 예측 모듈(320)은 상기 생성한 입력 데이터 셋을 기초로 미리 설정된 적어도 2개의 서로 다른 학습 방법으로 학습된 해무 소산 예측 모델로부터 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 획득할 수 있다. 이때, 상기 제1 해무 소산 예측 결과는 관심(0-25), 주의(26-50), 경계(51-75) 및 위험(76-100)일 수 있으나, 상기 제1 해무 소산 예측 결과가 이에 한정되는 것은 아니다. 또한, 상기 미리 설정된 적어도 2개의 서로 다른 학습 방법은 도 1의 학습 방법 선택 모듈(120)이 선택한 적어도 2개의 서로 다른 학습 방법일 수 있으나, 상기 미리 설정된 적어도 2개의 서로 다른 학습 방법이 이에 한정되는 것은 아니다.Referring back to FIGS. 1 and 3, the fog dissipation
다시 도 1 및 도 3을 참조하면, 일실시예에 따라, 해무 소산 결과 예측 모듈(320)은 도 1의 학습 방법 선택 모듈(120)이 선택한 적어도 2개의 서로 다른 학습 방법으로 학습된 해무 소산 예측 모델로부터 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 획득할 수 있다. 이때, 상기 미리 설정된 적어도 2개의 서로 다른 학습 방법은 서포트 벡터 머신(support vector machine), 랜덤 포레스트(Random forest), 그래디언트 부스팅(Gradient boosting) 및 합성곱 신경망(Convolutional neural network) 중 적어도 2개일 수 있다.Referring back to FIGS. 1 and 3, in accordance with an embodiment, the haze dissipation
해무 소산 결과 예측 모듈(320)은 상기 획득한 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 기초로 제2 해무 소산 예측 결과를 생성할 수 있다.The fog dissipation
해무 소산 결과 예측 모듈(320)은 상기 획득한 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 이용해 해무 소산 결과를 예측하는 앙상블 학습(ensemble learning) 또는 앙상블 방법(ensemble method)을 이용하여 제2 해무 소산 예측 결과를 생성할 수 있다.The fog dissipation
해무 소산 결과 예측 모듈(320)은 앙상블 학습(ensemble learning) 또는 앙상블 방법(ensemble method)에서 제1 해무 소산 예측 결과의 확률을 가지고 평균을 구한 뒤, 평균이 가장 높은 클래스로 최종 앙상블을 예측하는 소프트 보팅(Soft voting)을 통해 제2 해무 소산 예측 결과를 생성할 수 있다. 이때, 상기 제2 해무 소산 예측 결과는 관심(0-25), 주의(26-50), 경계(51-75) 및 위험(76-100)일 수 있으나, 상기 제2 해무 소산 예측 결과가 이에 한정되는 것은 아니다.The seam dissipation
해무 소산 결과 예측 모듈(320)은 앙상블 학습(ensemble learning) 또는 앙상블 방법(ensemble method)에서 다수결 투표를 통해 최종 앙상블을 예측하는 하드 보팅(Hard voting)을 통해 제2 해무 소산 예측 결과를 생성할 수 있다. 이때, 상기 제2 해무 소산 예측 결과는 관심(0-25), 주의(26-50), 경계(51-75) 및 위험(76-100)일 수 있으나, 상기 제2 해무 소산 예측 결과가 이에 한정되는 것은 아니다.The haze dissipation
해무 소산 결과 예측 모듈(320)은 생성한 제2 해무 소산 예측 결과를 출력할 수 있다.The fog dissipation
여기서 사용된 '모듈'이라는 용어는 논리적인 구성 단위를 나타내는 것으로서, 반드시 물리적으로 구분되는 구성 요소가 아니라는 점은 본 발명이 속하는 기술분야의 당업자에게 자명한 사항이다.As used herein, the term'module' refers to a logical structural unit, and the fact that it is not necessarily a physically distinct component is a matter obvious to those skilled in the art to which the present invention pertains.
도 4는 일실시예에 따른 해무 소산 예측 방법을 나타내는 플로우 차트이다.4 is a flowchart illustrating a method for predicting dissipation of seaweed according to an embodiment.
도 4를 참조하면, 일실시예에 따라 해무 소산 예측 장치가 다양한 종류의 해무 관련 관측 데이터를 획득한다(400).Referring to FIG. 4, according to an embodiment, the apparatus for predicting dissipation of seaweed acquires various types of seaweed-related observation data (400 ).
이때, 상기 다양한 종류의 해무 관련 관측 데이터는 기온, 기압, 풍속, 풍향, 상대습도, 해기차, 미세먼지농도, 강수량, 수온, 조위, 시정거리, 일사량, 누적강수량, 이슬점 온도 또는 (기온 - 이슬점 온도)에 대한 자료일 수 있으나 상기 다양한 종류의 해무 관련 관측 데이터가 이에 한정되는 것은 아니다. At this time, the various types of sea-related observation data include air temperature, air pressure, wind speed, wind direction, relative humidity, sea train, fine dust concentration, precipitation, water temperature, tide level, visibility distance, solar radiation, cumulative precipitation, dew point temperature or (at temperature-dew point) Temperature), but the various types of sea-related observation data are not limited thereto.
또한, 상기 다양한 종류의 해무 관련 관측 데이터는 분 단위로 관측한 데이터일 수 있으나, 상기 다양한 종류의 해무 관련 관측 데이터의 관측 시간이 이에 한정되는 것은 아니다.In addition, the various types of sea-related observation data may be data observed in minutes, but the observation time of the various types of sea-related observation data is not limited thereto.
해무 소산 예측 장치가 미리 설정된 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택한다(410).The sea fog dissipation prediction apparatus selects at least two types of sea-related observation data from among the various types of sea-related observation data obtained using the preset criteria (410).
이때, 상기 미리 설정된 기준은 특성 중요도(Feature Importance)일 수 있으나, 상기 미리 설정된 기준이 이에 한정되는 것은 아니다.At this time, the preset criterion may be feature importance, but the preset criterion is not limited thereto.
또한, 해무 소산 예측 장치는 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 특성 중요도(Feature Importance)가 가장 높은 상위 2종류의 해무 관련 관측 데이터를 선택할 수 있다.In addition, the apparatus for predicting seaborne dissipation may select the top two types of seaborne related observation data having the highest feature importance among the obtained various types of marine related observation data.
또한, 상기 적어도 2종류의 해무 관련 관측 데이터는 데이터는 수온, 기압, 기온, 해기차, 이슬점 온도, 풍향, 상대습도, 시정거리, 풍속 및 (기온 - 이슬점 온도) 중 적어도 어느 2개일 수 있다.In addition, the at least two types of sea-related observation data may include at least any one of water temperature, air pressure, air temperature, sea train, dew point temperature, wind direction, relative humidity, visibility distance, wind speed and (air temperature-dew point temperature).
해무 소산 예측 장치가 상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성한다(420).The sea fog dissipation prediction apparatus generates an input data set based on the selected at least two types of sea fog related observation data (420 ).
이때, 해무 소산 예측 장치는 설정된 시간(예컨대, 10분) 동안의 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각에 대한 평균을 계산하고, 상기 계산한 평균을 미리 설정된 시간(예컨대, 10분)에 대한 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각의 대표 값으로 결정할 수 있다.In this case, the apparatus for predicting sea fog dissipation calculates an average for each of the selected at least two types of sea-related observation data for a set time (eg, 10 minutes), and sets the calculated average at a preset time (eg, 10 minutes). A representative value of each of the at least two types of sea-related observation data selected above may be determined.
또한, 해무 소산 예측 장치는 상기 결정한 적어도 2종류의 해무 관련 관측 데이터 각각의 대표 값 중 동일 시간의 상기 대표 값을 결합하여 입력 데이터 셋을 생성할 수 있다.In addition, the apparatus for predicting sea fog dissipation may generate an input data set by combining the representative values of the same time among the representative values of each of the determined at least two types of observation data related to sea fog.
또한, 해무 소산 예측 장치는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋과 상기 입력 데이터 셋에 포함된 시간 정보보다 이전 시간(예컨대, 10분 전 시간)에 해당하는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 미리 설정된 개수(예컨대, 6개)만큼 시간적으로 연속되게 결합하여 새로운 입력 데이터 셋을 생성할 수 있다.In addition, the apparatus for predicting the dissipation of sea fog may observe the fog related to the previous time (for example, the time before 10 minutes) than the input data set and the time information included in the input data set generated by combining representative values of each of the observation data related to the fog. A new input data set may be generated by continuously combining input data sets generated by combining representative values of data for a preset number (eg, six) in time.
해무 소산 예측 장치가 상기 생성한 입력 데이터 셋을 기초로 미리 설정된 적어도 2개의 서로 다른 학습 방법으로 학습된 해무 소산 예측 모델로부터 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 획득한다(430).Based on the generated input data set, the fog dissipation prediction apparatus obtains a first fog dissipation prediction result generated by each of the fog dissipation prediction models from a fog dissipation prediction model trained using at least two different learning methods preset in advance ( 430).
이때, 상기 미리 설정된 적어도 2개의 서로 다른 학습 방법은 서포트 벡터 머신(support vector machine), 랜덤 포레스트(Random forest), 그래디언트 부스팅(Gradient boosting) 및 합성곱 신경망(Convolutional neural network) 중 적어도 2개일 수 있다.At this time, the preset at least two different learning methods may be at least two of a support vector machine, a random forest, a gradient boosting, and a convolutional neural network. .
해무 소산 예측 장치가 상기 획득한 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 기초로 제2 해무 소산 예측 결과를 생성한다(440).The apparatus for predicting dissipation of seaweed generates a second result of seas dissipation prediction based on the results of the first seas dissipation prediction generated by each of the acquired models of seas dissipation prediction (440 ).
이때, 상기 해무 소산 예측 장치는 상기 획득한 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 이용해 해무 소산 결과를 예측하는 앙상블 학습(ensemble learning) 또는 앙상블 방법(ensemble method)을 이용하여 제2 해무 소산 예측 결과를 생성할 수 있다.At this time, the apparatus for predicting the dissipation of sea fog may use an ensemble learning method or an ensemble method for predicting a result of dissipation of sea fog by using the first fog dissipation prediction result generated by each of the acquired fog dissipation prediction models. A second haze dissipation prediction result can be generated.
또한, 상기 해무 소산 예측 장치는 소프트 보팅(Soft voting)을 통해 제2 해무 소산 예측 결과를 생성할 수 있다.In addition, the apparatus for predicting dissipation of sea fog may generate a result of prediction of the second dissipation of sea through soft voting.
또한, 상기 해무 소산 예측 장치는 하드 보팅(Hard voting)을 통해 제2 해무 소산 예측 결과를 생성할 수 있다.In addition, the apparatus for predicting dissipation of sea fog may generate a result of predicting the second dissipation of sea through hard voting.
또한, 상기 제2 해무 소산 예측 결과는 관심(0-25), 주의(26-50), 경계(51-75) 및 위험(76-100)일 수 있으나, 상기 제2 해무 소산 예측 결과가 이에 한정되는 것은 아니다.In addition, the results of the second dissipation prediction may be interest (0-25), attention (26-50), boundary (51-75), and risk (76-100), but the results of the second dissipation dissipation prediction are It is not limited.
해무 소산 예측 장치가 생성한 제2 해무 소산 예측 결과를 출력한다(450).The second fog dissipation prediction result generated by the fog dissipation prediction apparatus is output (450 ).
이때, 상기 해무 소산 예측 장치는 상기 생성한 제2 해무 소산 예측 결과를 상기 해무 소산 예측 장치와 연결된 디스플레이를 통해 출력할 수 있다.In this case, the apparatus for predicting the dissipation of sea fog may output the result of the second prediction of the dissipation of sea fog through a display connected to the apparatus for predicting the dissipation of sea fog.
도 5는 일실시예에 따른 해무 소산 예측 모델 학습 방법 선택 및 선택한 학습 방법으로 학습된 해무 소산 예측 모델 이용하여 해무 소산을 예측하는 모습을 나타내는 모식도이다.FIG. 5 is a schematic diagram showing a state of predicting a sea fog dissipation using a sea fog dissipation prediction model trained by selecting a training method of a sea fog dissipation prediction model and selecting a learning method according to an embodiment.
도 5를 참조하면, 일실시예에 따라 해무 관련 관측 데이터에 해당하는 수온, 기압, 기온, 해기차, 이슬점 온도, 풍향, 상대습도, 시정거리, 풍속 및 (기온 - 이슬점 온도) 중 적어도 어느 2개의 대표 값이 결합되어 입력 데이터 셋(510)이 생성될 수 있다.Referring to FIG. 5, according to an embodiment, at least any one of water temperature, air pressure, air temperature, sea train, dew point temperature, wind direction, relative humidity, visibility distance, wind speed, and (atmospheric temperature-dew point temperature) corresponding to the sea-related observation data The
일실시예에 따라, 해무 소산 예측 모델을 학습시키기 위한 해무 소산 예측 모델 학습 방법(520)은 K-최근접 이웃(K-Nearest Neighbors), 결정 트리(Decision Tree), 엑스트라 트리(Extra Tree), 서포트 벡터 머신(Support Vector Machin), 에이다부스트(AdaBoost), 랜덤 포레스트(Random Forest), 그래디언트 부스팅(Gradient boosting), 딥 뉴럴 네트워크(Deep Neural Network), 합성곱 신경망(Convolutional Neural Network), 순환 신경망(Recurrent Neural Network) 중 하나일 수 있다.According to an embodiment, the method for learning a seaborne
또한, 해무 소산 예측 모델 학습 방법(520)으로 상기 해무 소산 예측 모델을 학습시키고, 상기 학습시킨 해무 소산 예측 모델로부터 해무 소산 예측 결과를 획득할 수 있다.In addition, the method for learning the fisheries
일실시예에 따라, 상기 획득한 해무 소산 예측 결과를 기초로 AUC를 계산(530)하고, 상기 계산한 AUC(Area Under the ROC Curve)가 가장 높은 해무 소산 예측 결과를 생성한 상기 해무 소산 예측 모델을 학습시킨 4개의 서로 다른 학습 방법(540)을 선택할 수 있다. 이때, 4개의 서로 다른 학습 방법(540)은 서포트 벡터 머신(support vector machine), 랜덤 포레스트(Random forest), 그래디언트 부스팅(Gradient boosting) 및 합성곱 신경망(Convolutional neural network)일 수 있다.According to an embodiment, the AUC is calculated based on the obtained result of predicting the dissipation of sea fog (530), and the model for predicting the dissipation of seaweed generating the predicted result of the highest dissipation of the area under the ROC curve (AUC) It is possible to select four
일실시예에 따라, 선택한 4개의 서로 다른 학습 방법(540)으로 학습된 해무 소산 예측 모델로부터 해무 소산 예측 결과를 획득하고, 획득한 상기 해무 소산 예측 결과를 기초로 앙상블 방법(ensemble method)(550)을 이용하여 최종 해무 소산 예측 결과(560)를 생성할 수 있다.According to an embodiment, a result of predicting the dissipation of seaweed is obtained from the model of predicting the dissipation of seaweed trained by the selected four
도 6은 본 발명의 일실시예를 구현하기 위한 예시적인 컴퓨터 시스템의 블록도이다.6 is a block diagram of an exemplary computer system for implementing one embodiment of the present invention.
도 6을 참조하면, 본 발명의 일실시예를 구현하기 위한 예시적인 컴퓨터 시스템은 정보를 교환하기 위한 버스 또는 다른 커뮤니케이션 채널(601)을 포함하고, 프로세서(602)는 정보를 처리하기 위하여 버스(601)와 연결된다.Referring to FIG. 6, an exemplary computer system for implementing an embodiment of the present invention includes a bus or other communication channel 601 for exchanging information, and the
컴퓨터 시스템(600)은 정보 및 프로세서(602)에 의해 처리되는 명령들을 저장하기 위하여 버스(601)와 연결된 RAM(Random Access Memory) 또는 다른 동적 저장 장치인 메인 메모리(603)를 포함한다.
또한, 메인 메모리(603)는 프로세서(602)에 의한 명령들의 실행동안 임시변수들 또는 다른 중간 정보를 저장하기 위해 사용될 수 있다.In addition, the
컴퓨터 시스템(600)은 프로세서(602)에 대한 정적인 정보 또는 명령들을 저장하기 위하여 버스(601)에 결합된 ROM(Read Only Memory) 및 다른 정적 저장장치(604)를 포함할 수 있다.
마그네틱 디스크, 집(zip) 또는 광 디스크 같은 대량 저장장치(605) 및 그것과 대응하는 드라이브 또한 정보 및 명령들을 저장하기 위하여 컴퓨터 시스템(600)에 연결될 수 있다.
컴퓨터 시스템(600)은 엔드 유저(end user)에게 정보를 디스플레이 하기 위하여 버스(601)를 통해 음극선관 또는 엘씨디 같은 디스플레이 장치(610)와 연결될 수 있다.The
키보드(620)와 같은 문자 입력 장치는 프로세서(602)에 정보 및 명령을 전달하기 위하여 버스(601)에 연결될 수 있다.A character input device such as a
다른 유형의 사용자 입력 장치는 방향 정보 및 명령 선택을 프로세서(602)에 전달하고, 디스플레이(610) 상의 커서의 움직임을 제어하기 위한 마우스, 트랙볼 또는 커서 방향 키들과 같은 커서 컨트롤 장치(630)이다.Another type of user input device is a cursor control device 630, such as a mouse, trackball or cursor direction keys, for passing direction information and command selection to the
통신 장치(640) 역시 버스(601)와 연결된다. The
통신 장치(640)는 지역 네트워크 또는 광역망에 접속되는 것을 서포트 하기 위하여 모뎀, 네트워크 인터페이스 카드, 이더넷, 토큰 링 또는 다른 유형의 물리적 결합물과 연결하기 위해 사용되는 인터페이스 장치를 포함할 수 있다. 이러한 방식으로 컴퓨터 시스템(600)은 인터넷 같은 종래의 네트워크 인프라 스트럭쳐를 통하여 다수의 클라이언트 및 서버와 연결될 수 있다.The
이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 적어도 하나로 선택적으로 결합하여 동작할 수도 있다. In the above, even if all the components constituting the embodiments of the present invention are described as being combined or operated as one, the present invention is not necessarily limited to these embodiments. That is, within the scope of the present invention, all of the components may be selectively combined and operated.
또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다. In addition, although all of the components may be implemented by one independent hardware, a part or all of the components are selectively combined to perform a part or all of functions combined in one or a plurality of hardware. It may be implemented as a computer program having a. The codes and code segments constituting the computer program can be easily deduced by those skilled in the art of the present invention.
이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 등이 포함될 수 있다.Such a computer program is stored in a computer readable storage medium (Computer Readable Media) to be read and executed by a computer, thereby implementing an embodiment of the present invention. The storage medium of the computer program may include a magnetic recording medium, an optical recording medium, and the like.
또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. In addition, the terms "include", "consist" or "have" as described above mean that the component can be inherent, unless specifically stated otherwise, to exclude other components. It should not be interpreted as being able to further include other components.
기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.All terms, including technical or scientific terms, have the same meaning as generally understood by a person skilled in the art to which the present invention belongs, unless otherwise defined. Commonly used terms, such as predefined terms, should be interpreted as being consistent with the meaning of the context of the related art, and are not to be interpreted as ideal or excessively formal meanings unless explicitly defined in the present invention.
본 발명에서 개시된 방법들은 상술된 방법을 달성하기 위한 하나 이상의 동작들 또는 단계들을 포함한다. 방법 동작들 및/또는 단계들은 청구항들의 범위를 벗어나지 않으면서 서로 상호 교환될 수도 있다. 다시 말해, 동작들 또는 단계들에 대한 특정 순서가 명시되지 않는 한, 특정 동작들 및/또는 단계들의 순서 및/또는 이용은 청구항들의 범위로부터 벗어남이 없이 수정될 수도 있다.The methods disclosed in the present invention include one or more actions or steps to achieve the above-described method. Method operations and/or steps may be interchanged with each other without departing from the scope of the claims. In other words, unless a specific order for operations or steps is specified, the order and/or use of specific operations and/or steps may be modified without departing from the scope of the claims.
본 발명에서 이용되는 바와 같이, 아이템들의 리스트 중 "그 중 적어도 하나" 를 지칭하는 구절은 단일 멤버들을 포함하여, 이들 아이템들의 임의의 조합을 지칭한다. 일 예로서, "a, b, 또는 c: 중의 적어도 하나" 는 a, b, c, a-b, a-c, b-c, 및 a-b-c 뿐만 아니라 동일한 엘리먼트의 다수의 것들과의 임의의 조합 (예를 들어, a-a, a-a-a, a-a-b, a-a-c, a-b-b, a-c-c, b-b, b-b-b, b-b-c, c-c, 및 c-c-c 또는 a, b, 및 c 의 다른 임의의 순서 화한 것) 을 포함하도록 의도된다.As used in the present invention, a phrase referring to “at least one of them” in a list of items refers to any combination of these items, including single members. As an example, “at least one of a, b, or c:” means a, b, c, ab, ac, bc, and abc, as well as any combination of multiples of the same element (eg, aa , aaa, aab, aac, abb, acc, bb, bbb, bbc, cc, and ccc or any other ordered of a, b, and c).
본 발명에서 이용되는 바와 같이, 용어 "결정하는"는 매우 다양한 동작들을 망라한다. 예를 들어, "결정하는"는 계산하는, 컴퓨팅, 프로세싱, 도출하는, 조사하는, 룩업하는 (예를 들어, 테이블, 데이터베이스, 또는 다른 데이터 구조에서 룩업하는), 확인하는 등을 포함할 수도 있다. 또한, "결정하는"은 수신하는 (예를 들면, 정보를 수신하는), 액세스하는 (메모리의 데이터에 액세스하는) 등을 포함할 수 있다. 또한, "결정하는"은 해결하는, 선택하는, 고르는, 확립하는 등을 포함할 수 있다.As used in the present invention, the term “determining” encompasses a wide variety of actions. For example, “determining” may include computing, computing, processing, deriving, investigating, looking up (eg, looking up in a table, database, or other data structure), verifying, and the like. . Also, “determining” can include receiving (eg, receiving information), accessing (accessing data in memory), and the like. Also, “determining” can include resolving, selecting, choosing, establishing, and the like.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. The above description is merely illustrative of the technical idea of the present invention, and those of ordinary skill in the art to which the present invention pertains may make various modifications and variations without departing from the essential characteristics of the present invention.
따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.Therefore, the embodiments disclosed in the present invention are not intended to limit the technical spirit of the present invention, but to explain, and the scope of the technical spirit of the present invention is not limited by these embodiments. The scope of protection of the present invention should be interpreted by the following claims, and all technical spirits within the equivalent range should be interpreted as being included in the scope of the present invention.
100... 해무 소산 예측 모델 학습 방법 선택 장치
300... 해무 소산 예측 장치.100... Haze Dissipation Prediction Model Learning Method Selection Device
300... sea fog dissipation prediction device.
Claims (12)
적어도 하나의 명령어를 포함하는 메모리; 및
상기 메모리와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 명령어가 상기 적어도 하나의 프로세서에서 실행되면,
상기 적어도 하나의 프로세서는,
다양한 종류의 해무 관련 관측 데이터를 획득하고,
제1 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택하고,
상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성하고,
상기 생성한 입력 데이터 셋을 기초로 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시키며,
제2 기준을 이용하여 상기 N개의 학습 방법으로 각각 학습시킨 상기 해무 소산 예측 모델을 각각 평가하고, 평가 결과에 따라 적어도 2개의 서로 다른 학습 방법을 선택하되,
상기 제2 기준은,
수신자 조작 특성 커브(Receiver Operating Characteristic Curve) 및 AUC(Area Under the ROC Curve)인 해무 소산 예측 모델 학습 방법 선택 장치.In the apparatus for selecting a method for learning the predicted model of dissipation,
A memory including at least one instruction; And
And at least one processor operatively connected to the memory,
When the at least one instruction is executed on the at least one processor,
The at least one processor,
Obtain various types of marine related observation data,
At least two types of sea-related observation data among the various types of sea-related observation data obtained by using the first criterion are selected,
An input data set is generated based on the selected at least two types of sea-related observation data,
Based on the generated input data set, each of the NEA learning methods is trained with a predictive model for dissipation.
Each of the N learning methods using the second criterion is evaluated for each of the anti-dissipation prediction models, and at least two different learning methods are selected according to the evaluation result,
The second criterion is,
A device for selecting a method of learning a predictive model of sea fog dissipation, which is a receiver operating characteristic curve (AUC) and area under the ROC curve (AUC).
상기 제1 기준은,
특성 중요도(Feature Importance)인 해무 소산 예측 모델 학습 방법 선택 장치.According to claim 1,
The first criterion is,
Apparatus for selecting a method for learning a model for predicting the dissipation of sea fog, which is a feature importance.
다양한 종류의 해무 관련 관측 데이터를 획득하는 단계;
제1 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택하는 단계;
상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성하는 단계;
상기 생성한 입력 데이터 셋을 기초로 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시키는 단계; 및
제2 기준을 이용하여 상기 N개의 학습 방법으로 각각 학습시킨 상기 해무 소산 예측 모델을 각각 평가하고, 평가 결과에 따라 서로 다른 학습 방법으로 학습시킨 적어도 2개의 상기 해무 소산 예측 모델을 선택하는 단계
를 포함하되
상기 제2 기준은,
수신자 조작 특성 커브(Receiver Operating Characteristic Curve) 및 AUC(Area Under the ROC Curve)인 해무 소산 예측 모델 학습 방법 선택 방법.In the method for selecting a method for learning a model for predicting a seamount dissipation, wherein each step is performed by a device for selecting a method for learning a model for predicting a dissipation of seaweed,
Obtaining various types of sea-related observation data;
Selecting at least two types of sea-related observation data among the various types of sea-related observation data obtained using the first criterion;
Generating an input data set based on the selected at least two types of sea-related observation data;
Training each of the haze dissipation prediction models with N learning methods based on the generated input data set; And
Evaluating each of the seamount dissipation prediction models trained by the N learning methods using a second criterion, and selecting at least two of the seam dissipation prediction models trained by different learning methods according to the evaluation result.
Including
The second criterion is,
A method for selecting a training method for predicting a seaweed dissipation prediction model, which is a receiver operating characteristic curve (AUC) and area under the ROC curve (AUC).
상기 제1 기준은,
특성 중요도(Feature Importance)인 해무 소산 예측 모델 학습 방법 선택 방법.The method of claim 4,
The first criterion is,
A method for selecting a training method for predicting a sea fog dissipation, which is a feature importance.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200002391A KR102122168B1 (en) | 2020-01-08 | 2020-01-08 | Selecting apparatus and selecting method for sea fog removing prediction model learning method and prediction apparatus and prediction method for sea fog removing |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200002391A KR102122168B1 (en) | 2020-01-08 | 2020-01-08 | Selecting apparatus and selecting method for sea fog removing prediction model learning method and prediction apparatus and prediction method for sea fog removing |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102122168B1 true KR102122168B1 (en) | 2020-06-11 |
Family
ID=71070439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200002391A Active KR102122168B1 (en) | 2020-01-08 | 2020-01-08 | Selecting apparatus and selecting method for sea fog removing prediction model learning method and prediction apparatus and prediction method for sea fog removing |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102122168B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200087731A (en) * | 2020-06-30 | 2020-07-21 | 동국대학교 산학협력단 | Method and device for forecasting meteorological element based on convolutional neural networks using high frequency meteorological data |
| CN116401932A (en) * | 2023-06-08 | 2023-07-07 | 成都远望探测技术有限公司 | Sea fog dissipation time estimation method based on laser radar and millimeter wave radar |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070098226A (en) | 2006-03-31 | 2007-10-05 | 이미애 | Road lighting method and device considering fog and fog |
| JP2015166962A (en) * | 2014-03-04 | 2015-09-24 | 日本電気株式会社 | Information processing apparatus, learning method, and program |
| KR101864286B1 (en) * | 2017-11-10 | 2018-07-04 | 주식회사 한컴엠디에스 | Method and apparatus for using machine learning algorithm |
| KR101938829B1 (en) * | 2018-03-23 | 2019-01-16 | 대한민국(해양수산부 국립해양조사원) | Method and apparatus for learning neural network to predict occurrence of sea fog |
| JP2019075159A (en) * | 2014-03-28 | 2019-05-16 | 日本電気株式会社 | Learning model selection system, learning model selection method, and program |
| KR20190121460A (en) * | 2018-04-18 | 2019-10-28 | (주)에코브레인 | A Method for Forecasting Fog Occurrence Using Neural Network |
-
2020
- 2020-01-08 KR KR1020200002391A patent/KR102122168B1/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070098226A (en) | 2006-03-31 | 2007-10-05 | 이미애 | Road lighting method and device considering fog and fog |
| JP2015166962A (en) * | 2014-03-04 | 2015-09-24 | 日本電気株式会社 | Information processing apparatus, learning method, and program |
| JP2019075159A (en) * | 2014-03-28 | 2019-05-16 | 日本電気株式会社 | Learning model selection system, learning model selection method, and program |
| KR101864286B1 (en) * | 2017-11-10 | 2018-07-04 | 주식회사 한컴엠디에스 | Method and apparatus for using machine learning algorithm |
| KR101938829B1 (en) * | 2018-03-23 | 2019-01-16 | 대한민국(해양수산부 국립해양조사원) | Method and apparatus for learning neural network to predict occurrence of sea fog |
| KR20190121460A (en) * | 2018-04-18 | 2019-10-28 | (주)에코브레인 | A Method for Forecasting Fog Occurrence Using Neural Network |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200087731A (en) * | 2020-06-30 | 2020-07-21 | 동국대학교 산학협력단 | Method and device for forecasting meteorological element based on convolutional neural networks using high frequency meteorological data |
| KR102570099B1 (en) * | 2020-06-30 | 2023-08-23 | 동국대학교 산학협력단 | Method and device for forecasting meteorological element based on convolutional neural networks using high frequency meteorological data |
| CN116401932A (en) * | 2023-06-08 | 2023-07-07 | 成都远望探测技术有限公司 | Sea fog dissipation time estimation method based on laser radar and millimeter wave radar |
| CN116401932B (en) * | 2023-06-08 | 2023-08-15 | 成都远望探测技术有限公司 | Sea fog dissipation time estimation method based on laser radar and millimeter wave radar |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11528290B2 (en) | Systems and methods for machine learning-based digital content clustering, digital content threat detection, and digital content threat remediation in machine learning-based digital threat mitigation platform | |
| Zhong et al. | Hierarchical tracking by reinforcement learning-based searching and coarse-to-fine verifying | |
| Zhang et al. | Multiple adverse weather conditions adaptation for object detection via causal intervention | |
| Korycki et al. | Adversarial concept drift detection under poisoning attacks for robust data stream mining | |
| US20200288204A1 (en) | Generating and providing personalized digital content in real time based on live user context | |
| US20130177235A1 (en) | Evaluation of Three-Dimensional Scenes Using Two-Dimensional Representations | |
| Lee et al. | Learning in the wild: When, how, and what to learn for on-device dataset adaptation | |
| CN116543237B (en) | Image classification method, system, equipment and medium for non-supervision domain adaptation of passive domain | |
| US11354904B2 (en) | Spatial-temporal graph-to-sequence learning based grounded video descriptions | |
| Zhang et al. | Energy theft detection in an edge data center using threshold-based abnormality detector | |
| CN116543240B (en) | Defending method for machine learning against attacks | |
| KR102122168B1 (en) | Selecting apparatus and selecting method for sea fog removing prediction model learning method and prediction apparatus and prediction method for sea fog removing | |
| CN114724174A (en) | Pedestrian attribute recognition model training method and device based on incremental learning | |
| CN112560760A (en) | Attention-assisted unsupervised video abstraction system | |
| Goel et al. | Two‐level pruning based ensemble with abstained learners for concept drift in data streams | |
| CN114896591B (en) | A real-time APT detection and analysis method based on heterogeneous graph | |
| Chan et al. | Evoattack: an evolutionary search-based adversarial attack for object detection models | |
| CN112818114B (en) | Information classification method, detection method, computing device and storage medium | |
| Kuang et al. | Unsupervised data imputation with multiple importance sampling variational autoencoders | |
| Li et al. | Moving target detection based on improved Gaussian mixture model in dynamic and complex environments | |
| Wang et al. | SW-STP: A Spatio Temporal Pattern Based Model for Detecting Traffic Flow Data Anomalies. | |
| Li et al. | Collaborating visual tracker based on particle filter and correlation filter | |
| Gomes et al. | Pairwise combination of classifiers for ensemble learning on data streams | |
| Jiang et al. | A Bayesian Markov-switching model for sparse dynamic network estimation | |
| Iyengar et al. | Temporal Deepfake Generation and Detection in Video Sequences Using Recurrent Neural Networks (RNNs) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20200108 |
|
| PA0201 | Request for examination | ||
| PA0302 | Request for accelerated examination |
Patent event date: 20200126 Patent event code: PA03022R01D Comment text: Request for Accelerated Examination Patent event date: 20200108 Patent event code: PA03021R01I Comment text: Patent Application |
|
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20200323 Patent event code: PE09021S01D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20200604 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20200605 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20200605 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration | ||
| PR1001 | Payment of annual fee |
Payment date: 20230605 Start annual number: 4 End annual number: 4 |
|
| PR1001 | Payment of annual fee |
Payment date: 20240529 Start annual number: 5 End annual number: 5 |
|
| PR1001 | Payment of annual fee |
Payment date: 20250429 Start annual number: 6 End annual number: 6 |